ファッションに関する知識集約的な質問応答（QA）において、大規模言語モデル（LLM）は専門知識の欠如によるハルシネーションを起こしやすく、従来の検索拡張生成（RAG）も、テキストベースの検索では概念間の構造的な依存関係を捉えきれない。対象とする問題は、製品属性のみならず、文化、歴史、ビジネス、デザインといった広範なファッション・エコシステムに関する知識の統合である。入力としてファッションに関する質問を受け取り、構造化された知識に基づいた回答を出力することを目指す。
従来のファッション向け知識グラフが製品属性やアイテム間の関係に限定されていたのに対し、専門的な教科書を起点としてドメイン横断的な拡張と生成的な拡張を行うことで、広範なエコシステムを網羅するFashionEcoKGを構築した点が新規である。また、クエリに含まれる言語的なノイズが検索精度を低下させる課題に対し、検索の再現率向上と論理的な適合性検証を組み合わせた二段階のパス再ランキング手法を導入した。
FashionEcoKGは、教科書からエンティティと関係を抽出する初期化、ドメイン間での関係拡張、およびウェブデータを用いた生成的な拡張という3段階のパイプラインで構築される。提案するPG-RAGは、まず質問からエンティティを抽出し、最大3ホップまでの知識パスを検索する。その後、二重粒度パス再ランキング（DGPR）を行う。第一段階のPruning-based Semantic Ranking（PSR）では、LLMエージェントが質問を重要な要素のみの骨格形式に要約し、その骨格と候補パスのベクトル類似度を用いてノイズを排除したパスを選択する。第二段階のGrounding-based Agentic Ranking（GAR）では、LLMエージェントが元の詳細な質問と候補パスを照らし合わせ、パス内の関係性が質問の意図を論理的に満たしているかを個別に検証する。
知識グラフから生成された2,153個の多肢選択式問題と、人間が作成した200個のテスト用サブセットFashionQA-miniを用いて評価を行った。比較対象は、非RAG手法、テキストベースのRAG、および既存のKG-RAG手法である。FashionQA-miniにおいて、PG-RAGは非RAG手法より13.5%、KAPINGより6.5%高い精度を記録した。FashionEcoKGの構築段階に関する検証では、初期抽出から拡張・生成へと進むにつれて精度が向上することが確認された。また、マルチエージェントによる検証では、抽出されたトリプルの個別正解率が94%を超え、共同一致率も72%に達した。
LLMは基本的な用語の定義については十分な知識を保持しているが、ファッションのような専門ドメインにおける複雑な概念の合成には、構造化された知識が必要であることが示された。
本研究では、ファッション分野における大規模言語モデルのハルシネーションや専門知識の不足を解消するため、包括的な知識グラフであるFashionEcoKGと、それを利用する学習不要のフレームワークであるPG-RAGを提案している。FashionEcoKGは、権威ある教科書から高精度な知識を抽出する3段階のエージェント・パイプラインを通じて構築され、ドメイン横断的な拡張と生成的な拡張によって、製品属性に留まらない広範なファッションのエコシステムを構造化している。PG-RAGは、ファッション特有の概念的な密度や言語的なノイズに対処するため、二段階のDual-Granularity Path Re-Ranking（DGPR）モジュールを備えている。具体的には、クエリを骨格形式に蒸留して検索の再現率を高めるPruning-based Semantic Ranking（PSR）と、候補となるパスを元の完全なクエリと照らし合わせて個別に精査し、全体的な関連性を保証するGrounding-based Agentic Ranking（GAR）によって構成される。厳選されたファッションQAデータセットを用いた実験の結果、提案手法は非RAG手法や既存のKG-RAGベースラインと比較して、検索および回答の精度を向上させることが示された。
本研究は、専門知識を必要とするファッション分野の質問応答において、大規模言語モデルが直面するハルシネーションや、従来の検索拡張生成（RAG）手法が構造的な知識や概念間の依存関係を十分に活用できない課題を解決することを目的としています。著者らは、権威あるファッションの教科書を基盤とし、LLMエージェントを用いた抽出、拡張、拡大の3段階の階層的パイプラインによって構築した、広範なファッションエコシステムを網羅する知識グラフFashionEcoKGを提案します。検索手法としては、クエリに含まれるノイズを排除しつつ精度を高めるPG-RAGを提案しており、これはエンティティに基づく粗い検索の後に、二段階のパス再ランキングを行うDual-Granularity Path Re-Ranking（DGPR）を特徴とします。DGPRは、まずPruning-based Semantic Ranking（PSR）によってクエリを簡略化された骨格へと蒸留してノイズを中和し、次にGrounding-based Agentic Ranking（GAR）においてLLMエージェントが元の詳細なクエリに照らして検証を行うことで、検索の広範さと精度の両立を図ります。多様な複雑さを持つファッションQAデータセットを用いた実験の結果、提案手法は従来の非RAG、テキストベースのRAG、および既存のKG-RAGのベースラインを上回り、構造化されたドメイン知識を活用した高い回答精度を示しました。
従来のRAGは主に非構造化データに依存しており、知識要素間の論理的関係を捉えにくいため、複雑なマルチホップ推論に限界がある。これに対し、知識グラフを活用するKG-RAGは、グラフを知識の担い手として扱う手法、テキストチャンクを整理するためのインデックスとして扱う手法、およびその両方を組み合わせるハイブリッド手法の3つのカテゴリに分類される。ファッション領域の知識グラフは、従来、製品の属性やコーディネート、視覚的理解、あるいはソーシャルメディアに基づくトレンド把握など、製品やアウトフィット中心のタスクに特化してきた。しかし、文化、歴史、ビジネス、デザインといった広範なファッション知識を扱う研究は少なく、既存のモデルはデザイナーの着想やスタイルの戦略的根拠といった抽象的な概念の理解や、広範なエコシステムを横断する複雑な質問への回答には至っていない。
FashionEcoKGの構築は、知識の権威性とグラフの接続性を両立させるため、初期化と拡張の2段階のパイプラインで行われます。初期化フェーズでは、ファッション専門書をソースとして、LLMエージェントを用いた命名エンティティ認識（NER）と関係抽出（RD）を章ごとに実行します。このプロセスでは、専門家が設計したオントロジーに基づき、抽出された中国語の情報を英語へ翻訳して汎用性を高めるとともに、専門家による約100時間の目視確認を経てデータの忠実性を保証します。拡張フェーズでは、まずDBpediaのファッションカテゴリのサブグラフを用いたドメイン間関係拡張を行い、エンティティの整列と近傍サブグラフの抽出を通じて、孤立した概念を接続します。続いて生成型KG拡張では、検証済みのエンティティをシードとしてウェブ上の非構造化データから情報を収集し、既存のオントロジーへの適合性と情報の冗長性を検証した上で、新しいトリプルを統合します。最終的なFashionEcoKGは、複数のLLMによる検証において、個別の正解率が94%を超え、共同一致率が72%に達する高い信頼性を実現しています。
PG-RAGは、FashionEcoKGという知識グラフを活用して知識集約的なファッションQAを実現するパスベースのRAG手法です。まず、LLMエージェントを用いて質問からエンティティを抽出し、それらに紐付く最大kホップの知識パスを検索する粗い粒度の検索を行います。次に、提案手法である二重粒度パス再ランキング（DGPR）により、検索結果を精緻化します。第一段階のPSR（Pruning-based Semantic Ranking）では、LLMを用いて質問を重要な要素のみのスケルトンに簡略化し、事前学習済み言語モデルによるベクトル類似度を用いて、ノイズを排除しつつ高再現率な候補パスを選択します。第二段階のGAR（Grounding-based Agentic Ranking）では、識別的な評価エージェントが元の詳細な質問に基づき、パス内の関係性の遷移が論理的に質問を満たしているかを個別に検証してスコアリングを行います。このプロセスにより、広範な意味的フィルタリングから厳密な論理的検証へと移行することで、最終的な生成において論理的に検証された関連性の高い知識を確保します。
提案手法であるPG-RAGフレームワークの有効性を検証するため、知識グラフに基づき生成された2,153個の多肢選択式問題と、人間が作成した200個のテスト用サブセットFashionQA-miniを用いた実験が行われました。実験の結果、PG-RAGは既存のLLMや各種KG-RAG手法を上回り、特にFashionQA-miniにおいて、検索を行わない設定と比較して13.5%、KAPINGと比較して6.5%高い精度を記録し、グラフ構造に依存しない汎用性を示しました。アブレーション研究では、粗粒度パス検索（PSR）と細粒度パス検索（GAR）の両モジュールが精度向上に寄与しており、特にGARは中・高難易度のクエリにおいて、検索結果の適合率を向上させる効果が確認されました。また、検索時に保持するパスの数は、難易度が高くなるにつれて、より多くのパスを保持することが精度向上に繋がることが示されました。知識源の比較では、従来のテキストチャンクや大規模なDBPediaFashionを用いたRAGはノイズにより精度を低下させたのに対し、提案するFashionEcoKGは専門的かつ高密度な構造を持つため、一貫して精度を向上させました。さらに、FashionEcoKGの構築プロセスを段階的に拡張するにつれてQA精度が継続的に向上することから、階層的な知識構築パイプラインの有効性が実証されました。
本研究は、専門的な知識を必要とするファッション分野の質問応答に対応するため、階層的なパイプラインを用いて構築された知識グラフFashionEcoKGを提案している。この知識グラフは、権威ある教科書に基づく学術的概念を起点とし、ドメイン横断的な知識グラフの整合とオープンワールドデータの活用を通じて、既存のリソースでは捉えきれなかった広範なファッションのエコシステムを網羅している。提案手法であるPG-RAGは、二重粒度のパス選択モジュールを備えており、枝刈りベースのセマンティックランキングによってクエリのノイズを中和し、グラウンディングベースのエージェンティックランキングによって論理的な検証を行う。実験の結果、PG-RAGはテキストベースの手法や従来の知識グラフを用いたRAGのベースラインを上回る性能を示した。この結果は、大規模言語モデルが基本的な用語に関するパラメータメモリを保持している一方で、ファッションのような専門性の高い垂直ドメインにおける複雑な概念間の合成には、本フレームワークが提供するような構造的な知能が必要であることを示している。